Tarification Services Speech

• For Speech to Text and Speech Translation, usage is billed in one-second increments.
• For Text to Speech: usage is billed per character. Check the definition of character in the pricing note.
• For Speech to Text and Text to Speech, endpoint hosting for custom models is billed per second per model.
• Pour les commandes personnalisées : la facturation suit la consommation Reconnaissance vocale, Synthèse vocale et Language Understanding. Les commandes personnalisées ne donnent pas lieu à de nouveaux compteurs de facturation.
• There is no charge for training Speech to Text models. The only costs are endpoint hosting per model once deployed, and then the cost per audio hour of Custom Speech to Text.

Le service vocal Speech permet aux utilisateurs d’adapter des modèles de base en fonction de leurs propres données acoustiques et linguistiques, produisant ainsi des modèles vocaux personnalisés qui peuvent être utilisés avec la reconnaissance vocale et la traduction vocale.

Le modèle linguistique est une distribution de probabilité sur des séquences de mots. Le modèle linguistique aide le système à opérer un choix parmi des séquences de mots homophones, en se basant sur la probabilité des séquences de mots elles-mêmes. Par exemple, les groupes de mots « séquence vocale » et « c’est quand ce veau cale » se prononcent de la même manière mais, la première hypothèse étant sensiblement plus probable, le modèle linguistique lui attribue un score supérieur. Si vous vous attendez à ce que les requêtes vocales adressées à votre application contiennent des éléments de vocabulaire particuliers, tels que des noms de produits ou des mots de jargon technique rarement rencontrés dans un discours ordinaire, vous obtiendrez probablement de meilleures performances en personnalisant le modèle linguistique. Par exemple, imaginons que vous construisez une application pour rechercher sur MSDN à l’aide de la voix. Il est probable que des termes tels que « orienté objet » ou « espace de noms » apparaissent plus fréquemment que dans des applications vocales ordinaires. La personnalisation du modèle linguistique permet au système d’apprendre cela.

Le modèle acoustique est un classifieur qui étiquette de courts fragments audio en l’un des quelques phonèmes, ou unités sonores, de chaque langue. Ces phonèmes peuvent être assemblés pour former des mots. Par exemple, le mot « vocal » comprend cinq phonèmes : « v », « o », « k », « a » et « l ». Ces classifications sont effectuées une centaine de fois par seconde. Une personnalisation du modèle acoustique peut permettre au système d’effectuer une meilleure reconnaissance vocale dans un environnement atypique. Par exemple, si vous avez une application conçue pour être utilisée par des ouvriers travaillant dans un entrepôt ou un atelier, un modèle acoustique personnalisé peut reconnaître de façon plus précise le discours en présence des bruits rencontrés dans ces environnements.

Le service Speech offre un vaste éventail de polices de la voix pour la synthèse vocale (TTS). Toutefois, la voix neuronale personnalisée vous permet de créer votre propre voix personnalisée, adaptée à vos besoins et à votre image de marque. Pour plus d’informations, lisez le blog.

Il existe des scénarios dans lesquels un ou plusieurs orateurs peuvent parler plusieurs langues sur le même fichier audio ou la même présentation en direct. La détection de la langue en continu vous permet d’identifier un commutateur dans la langue parlée et de transcrire la parole avec précision en conséquence. Cette fonctionnalité gratuite en préversion privée est accessible via le Kit de développement logiciel (SDK) Speech. Pour en savoir plus, consultez la documentation.